fr.wedoany.com Rapport : Une équipe de recherche de l’Université d’État de Caroline du Nord (NC State) a amélioré jusqu’à 13 % les performances des prévisions solaires de la veille pour le lendemain par rapport au modèle unique le plus stable, en intégrant plusieurs modèles de prévision, et a constaté que l’adaptabilité régionale des modèles de prévision influence considérablement leur efficacité réelle.
L’énergie solaire se développe rapidement en raison de son caractère renouvelable et de sa large répartition, mais sa production est affectée par la disponibilité de l’ensoleillement, ce qui entraîne une forte variabilité et pose des défis pour l’équilibre entre l’offre et la demande d’électricité. Les entreprises de services publics ont besoin de prévisions précises de la veille pour le lendemain afin de planifier à l’avance leurs programmes de production. Yen-Hsi Chou, auteur correspondant de l’article et chercheur postdoctoral à l’Université d’État de Caroline du Nord, a indiqué que la popularité croissante de l’énergie solaire rend plus difficile la prévision de l’offre et de la demande, la disponibilité de l’ensoleillement n’étant pas toujours stable. Anderson De Queiroz, co-auteur de l’article et professeur agrégé de génie civil, de construction et d’environnement à l’université, a souligné qu’avec l’augmentation du taux de pénétration du solaire, l’incertitude des prévisions est devenue un facteur clé pour les planificateurs énergétiques et les opérateurs de réseau lors de l’équilibrage de l’offre et de la demande, et que la combinaison de plusieurs modèles d’apprentissage automatique peut fournir des prévisions plus robustes, contribuant ainsi à améliorer la fiabilité de l’intégration du solaire dans le système électrique.
L’équipe de recherche a examiné deux types d’approches de modélisation : les modèles statistiques qui identifient les schémas historiques, et les méthodes de réseaux de neurones artificiels adaptées à la compréhension des relations temporelles non linéaires. L’équipe a sélectionné sept modèles parmi eux pour les tests, et a utilisé les données météorologiques et électriques de deux entreprises de services publics de Californie — l’Imperial Irrigation District (IID) et le Los Angeles Department of Water and Power (LADWP) — de 2019 à 2022 pour la validation.
Les résultats de l’analyse montrent qu’aucun modèle unique n’est optimal dans toutes les situations. L’équipe a choisi le modèle BiLSTM, le plus stable en fonctionnement, comme référence, et a amélioré les performances en intégrant les résultats de prévision de plusieurs modèles uniques, avec des améliorations dépassant 10 % dans certains cas. Les méthodes d’intégration sont de deux types : la méthode de moyenne pondérée combine les prévisions de modèles entraînés séparément pour différents emplacements, en accordant un poids plus élevé aux modèles les plus performants ; la méthode multi-entrées permet à chaque modèle d’utiliser des données météorologiques provenant de plusieurs emplacements.
Les performances des deux méthodes d’intégration varient selon les régions : la méthode de moyenne pondérée a amélioré les performances de prévision de l’IID jusqu’à 11 %, tandis que la méthode multi-entrées a amélioré celles du LADWP jusqu’à 13 %.
De Queiroz a déclaré qu’il n’existe pas de stratégie de prévision universelle qui fonctionne aussi bien dans toutes les régions ; comprendre les caractéristiques de chaque région et utiliser les informations provenant de plusieurs modèles et emplacements est essentiel pour développer des outils de prévision qui garantissent à la fois la précision et soutiennent les décisions d’exploitation du réseau. Chou a ajouté que les méthodes d’intégration présentent effectivement un potentiel d’optimisation supplémentaire des prévisions par rapport aux modèles uniques, mais qu’elles nécessitent des tests et un ajustement fin spécifiques à la zone d’utilisation.
Cette recherche a été publiée dans le Journal of Cleaner Production, et est partiellement financée par la National Science Foundation (NSF) des États-Unis, sous le numéro de subvention 2412711. Les autres contributeurs incluent Arundhuti Haldar, doctorant au département de génie électrique et informatique de l’université, et Shubh Nisar, ancien étudiant diplômé du département d’informatique.
